开发自驾车 深度学习是核心

自驾电动巴士行驶在汽机车混合车流的市区开放道路，运算系统处理人、车、路等资讯复杂度将大幅提高，图为混合车流示意。

新竹县高铁自驾接驳运行四月举行启动仪式。图／工研院

深度学习演算法流程架构

前言随着半导体与电子技术的发展，汽车厂商及零组件系统厂商将汽车电子技术应用在汽车设计及制造上，使得汽车从过去的封闭系统转变成能与外界沟通的智慧型车辆，智慧型车辆发展的目的是为了达到所有汽车厂商的共同目标：安全、便利、舒适、环保。

近年来，由于Google自动驾驶车辆成功挑战欧亚长距离行驶，加上Bosch研发自动驾驶车技术的成果，使得世界各国车厂对于自动驾驶汽车技术更具信心，也带动各式辅助汽车驾驶人的先进自动驾驶技术的蓬勃发展。根据工研院产科国际所针对AI人工智慧应用于自驾车市场估算，预测2019～2023年AI人工智慧应用于自驾车系统、半自驾车系统、人机介面与车辆追踪等技术项目市场比例较高；随着自驾车与电动车辆比例的增加，AI人工智慧应用于停车管理系统与排碳对策管理系统的比例逐年减少，而自驾车的关键技术之一的AI人工智慧技术，近年来趋于成熟。

值得注意的是，虽然自动驾驶是未来车辆科技趋势，但要达成全自动驾驶并非一蹴可及，车辆上须搭载许多配备，包含摄影机、雷达、360°雷射雷达、导航系统、图资系统与运算电脑等，硬体背后需要强大软体支援，方能协调各硬体所搜集的资讯，加以判读并执行决策运算。

自动驾驶所采用的软体架构多为深度学习（Deep Learning），是一种类神经网路演算法（Artificial Neural Network Algorithm），主要在于模拟生物神经网路的结构和功能，使机器具有自主学习的能力，可以在不断学习的过程中，逐渐增进驾驶技能，提升车辆行驶安全性。自驾车在路上容易遇到的物件有车辆、行人等，锁定这几类物件侦测可以降低深度学习的复杂度，使得在同样的精确度下达到更快的侦测速度。

此外，车用AI人工智慧晶片的市场规模，随着先进驾驶辅助系统（Advanced Driver Assistance Systems, ADAS）的普及与更高等级的自驾技术与机器人计程车等研发，晶片需求预期将大幅成长。在市场快速成长的带动下，除了辉达、高通、英特尔、超微、Google等大厂，也吸引许多渴望开发AI人工智慧晶片的新公司投入，尤其是针对嵌入式市场的AI人工智慧晶片。将嵌入式机器学习应用于物联网装置甚至于可提供多种新功能，可能减少数据传输的有效负载并整合低功耗广域网技术，让物联网装置获得较长的电池寿命。

深度学习加速器技术对于ADAS和自动驾驶车的开发也至关重要。根据市调公司Yole研究预测，2025年每辆新车都会配装ADAS AI人工智慧晶片，现阶段ADAS领域的AI人工智慧晶片都属于绘图处理器（Graphics Processing Unit, GPU），2020年后视觉运算处理器（Visual Processing Unit, VPU）将逐渐增加，预估VPU将占ADAS AI人工智慧晶片75％，GPU占21％，场域可编程逻辑闸阵列（Field Programmable Gate Array, FPGA）占1％，加速处理器（Accelerated Processing Unit, APU）占1％，未来AI人工智慧晶片市场发展可期。车厂应用车用AI人工智慧晶片的方式，大致可分为三类，分别是：自行研发AI人工智慧晶片与自驾系统的车厂、采购AI人工智慧晶片但自行研发自驾系统车厂，以及AI人工智慧晶片与自驾系统都从外部采购的车厂。

自驾车风潮席卷全球，然而自动驾驶对应行车环境不可预测因素太多，包含人为、天候与道路型态等因素。例如自驾车在面对各种光照条件下的严苛挑战：在不同天气条件下的快速道路、高速公路、开放道路、隧道进出口等适应性光照条件。就技术发展而言，深度学习与感测融合整合开发，将有助于自动驾驶辨识能力。

当前深度学习技术在影像辨识应用正蓬勃发展，从物件分类、物件侦测、物件追踪、行为分析至反应决策，多朝向提高准确度与效能的目标迈进。自驾车关键技术可分为「感测／定位」、「决策」、「控制」三大类别，有别于汽车感测系统以往都是用一般的电脑视觉，或传统数位讯号处理器的雷达讯号处理；有鉴于AI人工智慧的蓬勃发展，未来AI人工智慧很有机会取代过去这些电脑视觉传统规则式演算法的方式，让整个运算结果更可靠，进而应用到不同的产业。

相较于欧美、日韩丰富的汽车发展经验，台湾有甚多晶片与软体设计工作室，自驾车产业领域的感测与决策系统是台湾产业链最好的切入点，建议专注在ADAS自驾车AI人工智慧晶片感测系统整合。